“ 智能體應(yīng)該才是大模型應(yīng)用的未來，它才是有可能實(shí)現(xiàn)真正人工智能的途徑 ”

在大模型技術(shù)的應(yīng)用過程中，智能體算是一個(gè)主要的技術(shù)方向；如果說把大模型比作人的大腦，那么智能體就是人的手和腳；大腦能夠思考，但具體的事情還是需要手和腳才能做。

而Langgraph就是給大模型安裝手和腳的工具；而我們學(xué)習(xí)Langgraph主要就是基于它強(qiáng)大的功能邏輯。在傳統(tǒng)的人工智能應(yīng)用開發(fā)中，包括Langchain框架，都是基于鏈?zhǔn)秸{(diào)用的方式，簡單來說就是線性執(zhí)行；一旦其中某個(gè)環(huán)節(jié)出現(xiàn)問題，那么整個(gè)鏈條就會陷入癱瘓。

但基于Langgraph開發(fā)的工作流卻不同，它可以根據(jù)不同的場景和路徑進(jìn)行判斷，可以實(shí)現(xiàn)循環(huán)調(diào)用和條件判斷；而這就為大模型應(yīng)用的開發(fā)提供了很強(qiáng)的靈活性，也更能滿足我們的現(xiàn)實(shí)需求。

Langgraph的原來和執(zhí)行過程

先來了解一下傳統(tǒng)智能體開發(fā)過程中所面臨的問題，在傳統(tǒng)的智能體開發(fā)過程中主要使用Function call配合langchain或其它工作流開發(fā)框架；比如典型的Dify框架和字節(jié)的Coze就是典型的智能體配合工作流進(jìn)行開發(fā)。

但這種方式有一個(gè)很明顯的問題，就是整體都是通過鏈?zhǔn)秸{(diào)用來實(shí)現(xiàn)的；雖然集成了工作流但其延展性依然不是很好。

原因就在于鏈?zhǔn)秸{(diào)用存在一個(gè)很大的缺點(diǎn)就是，一旦處于鏈條中的某個(gè)節(jié)點(diǎn)出現(xiàn)問題，就會導(dǎo)致整個(gè)鏈條不可用；而且在異常處理中，由于節(jié)點(diǎn)執(zhí)行的過程和結(jié)果并未保存，就導(dǎo)致無法重新恢復(fù)鏈?zhǔn)降膱?zhí)行過程。

但使用LangGraph就會很好的解決這個(gè)問題，因?yàn)長angGraph中使用的是狀態(tài)圖來保存節(jié)點(diǎn)執(zhí)行的過程，當(dāng)某個(gè)環(huán)節(jié)出現(xiàn)問題或者需要回溯整個(gè)執(zhí)行過程時(shí)，就可以使用狀態(tài)圖來隨時(shí)回到某個(gè)節(jié)點(diǎn)重新執(zhí)行。

而這種方式在Langgraph中被稱為時(shí)間旅行，也就是說可以追溯到整個(gè)智能體的執(zhí)行過程和節(jié)點(diǎn)狀態(tài)。

我們應(yīng)該知道，智能體是為了解決復(fù)雜問題而出現(xiàn)的一項(xiàng)技術(shù)；里面涉及到大量的推理和決策過程，其就類似于我們?nèi)祟愒谟龅綇?fù)雜問題時(shí)，需要對問題進(jìn)行拆解和規(guī)劃，然后一步一步的去完成任務(wù)。

但在處理問題的過程中，我們肯定會遇到各種各樣的問題，以及會犯各種各樣的錯誤；這時(shí)問題處理過程中的記錄就變得特別重要，因?yàn)檫@樣才能復(fù)盤整個(gè)過程，以及找到問題發(fā)生的原因和節(jié)點(diǎn)。

而且，在事情處理的過程中，可能還需要其它決策者參與進(jìn)來；比如說公司的項(xiàng)目運(yùn)作，可能需要領(lǐng)導(dǎo)的審批或簽字，亦或者需要其它人員中途參與。

所以，Langgraph實(shí)現(xiàn)了人工參與的功能，叫做人在回路；所謂的人在回路，就是Langgrap在智能體的執(zhí)行過程中，隨時(shí)可以進(jìn)行中斷；然后由人參與進(jìn)來，之后再繼續(xù)執(zhí)行。

而這些場景的實(shí)現(xiàn)，更真實(shí)的接近我們?nèi)祟惉F(xiàn)實(shí)社會中解決問題的邏輯；而這也是Langgraph強(qiáng)大的原因。

Langgraph的核心理論和模塊

Langgraph主要由以下幾個(gè)節(jié)點(diǎn)組成：

• 狀態(tài)圖
• 節(jié)點(diǎn)
• 邊
• 檢查點(diǎn)

狀態(tài)圖

狀態(tài)圖是一種數(shù)據(jù)結(jié)構(gòu)，其生命周期存在于整個(gè)Langgraph過程中，所有節(jié)點(diǎn)的執(zhí)行過程和結(jié)構(gòu)都可以被記錄到狀態(tài)圖中；而且每個(gè)節(jié)點(diǎn)也都可以隨時(shí)方法狀態(tài)圖中的數(shù)據(jù)，來獲取其當(dāng)時(shí)的執(zhí)行過程和結(jié)果，狀態(tài)圖是Langgraph實(shí)現(xiàn)上述功能的核心。

# 狀態(tài)圖
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
class State(TypedDict):
    # Messages have the type "list". The `add_messages` function
    # in the annotation defines how this state key should be updated
    # (in this case, it appends messages to the list, rather than overwriting them)
    messages: Annotated[list, add_messages]
graph_builder = StateGraph(State)

節(jié)點(diǎn)

節(jié)點(diǎn)就比較容易理解了，節(jié)點(diǎn)的概念就是一個(gè)一個(gè)的智能體或功能函數(shù)；其主要作用就是用來執(zhí)行具體的任務(wù)，比如說查詢天氣就調(diào)用天氣查詢接口。

邊

如果說節(jié)點(diǎn)是一個(gè)函數(shù)，那么邊就相當(dāng)于判斷邏輯中的分支，邊決定了當(dāng)前節(jié)點(diǎn)執(zhí)行完畢之后，下一個(gè)執(zhí)行的節(jié)點(diǎn)；當(dāng)然，還有一種邊叫做條件邊，意思就是可以根據(jù)條件判斷來動態(tài)決定應(yīng)該執(zhí)行哪個(gè)節(jié)點(diǎn)。

檢查點(diǎn)

檢查點(diǎn)說白了就是記憶存儲的節(jié)點(diǎn)，我們都知道大模型沒有記憶的功能，因此其每次執(zhí)行對話等對大模型都是一次新的開始，因此就需要有一個(gè)外部記憶功能來保存當(dāng)前任務(wù)的執(zhí)行記錄，也就是記憶；這樣大模型就可以知道之前干了什么事，以及整個(gè)事情的執(zhí)行過程。

而檢查點(diǎn)就是做這個(gè)事情的，它的主要作用就是保存記憶；而它和狀態(tài)圖的區(qū)別是，狀態(tài)圖會隨著整個(gè)工作流的執(zhí)行在不同的節(jié)點(diǎn)進(jìn)行流轉(zhuǎn)；而檢查點(diǎn)只記憶當(dāng)前節(jié)點(diǎn)的歷史記錄；當(dāng)然，不同的節(jié)點(diǎn)可以有各自的檢查點(diǎn)。